KGLAMP: 지식 그래프 기반 언어 모델을 활용한 적응형 다중 로봇 계획 및 재계획

KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning

다양한 기능을 가진 로봇들의 협력이 필요한 장기 임무에서 이질적인 다중 로봇 시스템의 활용이 증가하고 있습니다. 그러나 기존의 계획 방법은 동적인 환경에서 정확한 기호 표현을 구성하고 계획의 일관성을 유지하는 데 어려움을 겪습니다. 기존의 PDDL 계획기는 수동으로 제작된 기호 모델을 필요로 하는 반면, LLM 기반 계획기는 종종 에이전트의 이질성과 환경의 불확실성을 간과합니다. 본 논문에서는 이질적인 다중 로봇 팀을 위한 지식 그래프 기반 LLM 계획 프레임워크인 KGLAMP를 소개합니다. KGLAMP는 객체 관계, 공간적 접근 가능성 및 로봇 기능을 인코딩하는 구조화된 지식 그래프를 유지하며, 이 지식 그래프는 LLM이 정확한 PDDL 문제 사양을 생성하도록 안내합니다. 지식 그래프는 새로운 관찰 내용을 통합하고 불일치를 감지하면 재계획을 트리거하는 지속적이고 동적으로 업데이트되는 메모리 역할을 수행하여, 기호 계획이 변화하는 세계 상태에 적응할 수 있도록 합니다. MAT-THOR 벤치마크 실험 결과, KGLAMP는 LLM만 사용하거나 PDDL 기반의 기존 방식보다 성능이 최소 25.5% 향상됨을 보여줍니다.

Heterogeneous multi-robot systems are increasingly deployed in long-horizon missions that require coordination among robots with diverse capabilities. However, existing planning approaches struggle to construct accurate symbolic representations and maintain plan consistency in dynamic environments. Classical PDDL planners require manually crafted symbolic models, while LLM-based planners often ignore agent heterogeneity and environmental uncertainty. We introduce KGLAMP, a knowledge-graph-guided LLM planning framework for heterogeneous multi-robot teams. The framework maintains a structured knowledge graph encoding object relations, spatial reachability, and robot capabilities, which guides the LLM in generating accurate PDDL problem specifications. The knowledge graph serves as a persistent, dynamically updated memory that incorporates new observations and triggers replanning upon detecting inconsistencies, enabling symbolic plans to adapt to evolving world states. Experiments on the MAT-THOR benchmark show that KGLAMP improves performance by at least 25.5% over both LLM-only and PDDL-based variants.